文章搬移可能有误，具体请前往知乎账号： NPWU-xct

https://zhuanlan.zhihu.com/p/611122205

##本栏目为西北工业大学牛海洋教授课题组本科生自发组织，所呈现理论学习与老师学术水平无关！！！

作者：2020级 CT_X

（文章有问题请评论区指出，其他问题请先私信知乎即可）

作为开篇第一章，似乎是要介绍一些历史之类的内容，但此刻笔者却并不想了解它（或许是今天刚刚考完的疲劳或者其他因素影响吧）。或许不久的将来我会补充这部分内容。

首先我想不得不搞考察一个概念，即人工智能的概念。

John McCarthy 在 2004 年的论文 中给出了以下定义：“这是制造智能机器，特别是智能计算机程序的科学和工程。 它与使用计算机了解人类智能的类似任务有关，但 AI 不必局限于生物可观察的方法”。

关于这个概念的理论不少人已经解释了许多。先从字面意思看，“人工”and “智能”，像人一样的，智能化的。这个问题我不想过多考虑，本身意义不大，实践出真知。但是，这是一个十分广而复杂的概念，其实在我们这样一个小领域，不需要这样的概念（老师的课程名带人工智能主要考虑到学生选课以及借鉴了一些专业机构的命名）。

这里我借用了网上搜到的一张图[1]，因而其实Deep Learning其实已经基本涵盖我们所研究的范围了。DL的含义就更加详细了：

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。 深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。[2]

当然，搁着扯概念没有任何意义。但是为了象征性走一下流程，不得不做一些引用工作，这也并非我本意。

所以，最后我们最后引用一下别人的结论吧。关于机器学习的思路，其实就是如下文作者所述：[3]

首先呢，学习可以称为一个举一反三的过程，举个栗子：我们在学生时代经常参加的考试，考试的题目在上考场前我们未必做过，但是在考试之前我们通常都会刷很多的题目，通过刷题目学会了解题方法，因此考场上面对陌生问题也可以算出答案。
机器学习的思路也类似：我们可以利用一些训练数据（已经做过的题），使机器能够利用它们（解题方法）分析未知数据（考场的题目）。就像考试前老师给我们预测考试会考什么一样。

简单的一句话：机器学习就是让机器从大量的数据集中学习，进而得到一个更加符合现实规律的模型，通过对模型的使用使得机器比以往表现的更好。

ok，让我们忘掉上面糟糕的概念，这只会让你感到厌烦。我们应当从头开始。

那么第一步我们要干什么呢？

Put up some questions.

1. 我们在研究过程中遇到过哪些问题？

2. 我们的思路可以是什么？

3. 机器学习方法为我们提供了哪些帮助？

故事现在才正式开始~

Q1：我们在研究过程中遇到过哪些问题？

众所周知，自上个世纪以来，量子力学的横空出世，让我们对于物质世界的认识更进一步。截止目前，可以说我们对于绝大部分的原子，从纳观角度已经做到了相当精准。但由此也产生了两个重要的问题：

（1）我们不可能拿着几个原子玩，物质一定是大量的粒子相互作用的结果。

（2）量子力学计算十分困难，即使我们有DFT，也仍然不足以解决我们的问题。

当然，我们可以通过分子动力学的方法处理问题，虽然它的计算量也有一定的限制。

那么为了理解如何处理这样一个复杂的多体问题，我们首先应该知道一些前提。

研究物质的方法，无非两种：实验与理论。实验上，科学家们做出了许多努力，但实验终究是唯象的，严谨地科学必需有充分的理论基础，也就是我们常说的物理模型。计算物理模型也有两种方法，一个用笔算，一个用机器算。

建模是一个十分重要的方法，一方面通过它与事实对比，我们可以逐步修正模型，从而进一步靠近物质真正的微观机制，另一方面，可以通过建模本身预测一些重要的现象与性质，如果这能够成功，模型也就真正有了意义。

好，综上，那么我们该如何建模呢？建模过程中的问题，其实就是我们遇到的真正的问题。

那么分享一下我在建模中遇到的问题，或许其中真正的核心问题就显露出来了。

My Work:

建立一个二维的原子模型，采用静电力作为相互作用力，通过牛顿力学处理原子的运动。

视频：静电力原子的运动

视频在知乎中可看到，个人工作展示，不得另用

上面的工作其实个人最早的想法是建立一个TIP5P的水模型，但是因为计算机等因素，采用单原子指代，加之三维体系十分复杂，通过简单二元感性认识一下即可。当然，其中最重要的一个问题就是，原子之间的势能作用力难以处理，这也是我放弃TIP5P换用静电力的根本原因。

这里其实就引出了一个十分重要的东西，即建模中一个十分十分重要的点，粒子之间的相互作用。

这实际上就是多提问题复杂的根本原因。量子理论的精确效果其实就在这里。我们知道波函数表达的是电子的运动状态，通过精确的描述电子，其实我们就能很好的表达粒子的运动。

Q2：我们的思路是什么？

那么为了解决问题，我们需要考察这样一个问题，就是如何高效科学地描述粒子间的相互作用？

我认为可能的思路如下：

（1）借鉴晶体学的对称性思路，将大量的原子结构简化为简单的单元结构，从而只需要研究单元结构的变化，结合统计物理的理论，就能很好的处理大尺度问题。

这是一个很好的思路，但是面对超大量的例子，针对大尺度物质演化，实际上缺少一定的视野。管中窥豹，难说有效与否。

（2）借鉴DFT的思路，通过合理近似，进而更好地处理大尺度问题。

这个方法具有很好的效果，但实际应用中，仍然不够用。

（3）。。。

Q3: 机器学习为我们提供的思路

已知我们拥有了一些扎实的理论基础，可以小尺度地研究粒子的演化，为了方便得处理这个问题，机器学习为我们提供的思路就是：通过我们已经计算出来的原子之间的相互作用与结构，进一步训练可能的势场模型，如此，就能够高效得利用以后的数据，演化出更多有效得结果。

这样的思路在实践中中具有很好的效果，因而这也是我从这学期起学习机器学习的根本目的，理解并进一步探索。

本文止。

本文课后题：

您认为，为了研究多体问题中粒子之间的相互作用，我们可以产生哪些新的思路呢？

（欢迎评论区留言与私信交流）